Folha de referências de algoritmos do Machine Learning para o designer do Azure Machine Learning
A Folha de referências de algoritmos do Azure Machine Learning ajuda a escolher o algoritmo certo do designer para o modelo de análise preditiva.
Observação
O Designer tem suporte para dois tipos de componentes, componentes predefinidos clássicos (v1) e componentes personalizados (v2). Esses dois tipos de componentes NÃO são compatíveis.
Os componentes predefinidos clássicos fornecem componentes predefinidos principalmente para processamento de dados e tarefas tradicionais de aprendizado de máquina, como regressão e classificação. Esse tipo de componente continua com suporte, mas não terá componentes novos adicionados.
Componentes personalizados permitem que você envolva seu próprio código como um componente. Ele tem suporte para o compartilhamento de componentes entre espaços de trabalho e à criação contínua nas interfaces Studio, CLI v2 e SDK v2.
Para novos projetos, sugerimos que você use o componente personalizado, que é compatível com o AzureML V2 e continuará recebendo novas atualizações.
Este artigo se aplica a componentes predefinidos clássicos e não são compatíveis com a CLI v2 e o SDK v2.
O Azure Machine Learning tem uma grande biblioteca de algoritmos das famílias classificação, sistemas de recomendação, clustering, detecção de anomalias, regressão e análise de texto. Cada um foi projetado para atender a um tipo diferente de problema de aprendizado de máquina.
Para obter mais informações, consulte Como selecionar algoritmos.
Baixe: Folha de referências de algoritmos do Machine Learning
Baixe a folha de consulta daqui: Folha de consulta de algoritmos do Machine Learning (11 x 17 pol.)
Baixar e imprimir a folha de consulta do algoritmo do Machine Learning em tamanho tabloide para mantê-lo à mão e obter ajuda para escolher um algoritmo.
Como usar a Folha de referências de algoritmos do Machine Learning
As sugestões oferecidas nessa página de dicas úteis de algoritmo são aproximadas às regras de bolso. Algumas podem ser ajustadas e algumas podem ser flagrantemente violadas. A folha de referências serve como um ponto de partida. Não tenha medo de comparar vários algoritmos em seus dados. Simplesmente não existe substituto para entender os princípios de cada algoritmo e o sistema que gerou os dados.
Cada algoritmo de aprendizado de máquina tem seu próprio estilo ou tendência indutiva. Para um problema específico, vários algoritmos podem ser apropriados, e um algoritmo pode ser mais adequado do que outros. Mas nem sempre é possível saber com antecedência qual é a melhor opção. Em casos como esse, vários algoritmos estão listados juntos na folha de consulta. Uma estratégia apropriada seria um algoritmo e se os resultados ainda não estiverem satisfatórios, tentar os outros.
Para saber mais sobre os algoritmos no Azure Machine Learning Designer, acesse a Algoritmo e referência de componente.
Tipos de aprendizado de máquina
Há três categorias principais de aprendizado de máquina: aprendizado supervisionado, aprendizado sem supervisão e aprendizado de reforço.
Aprendizado supervisionado
Em aprendizado supervisionado, cada ponto de dados é rotulado ou associado a uma categoria ou um valor de interesse. Um exemplo de um rótulo categórico é atribuir uma imagem como, por exemplo, um gato ou um cão. Um exemplo de um rótulo de valor é o preço de venda associado a um carro usado. O objetivo do aprendizado supervisionado é estudar vários exemplos rotulados como esses e, em seguida, conseguir fazer previsões sobre os pontos de dados futuros. Por exemplo, identificar novas fotos com o animal correto ou atribuir preços de vendas precisos a outros carros usados. Este é um tipo popular e útil de aprendizado de máquina.
Aprendizado não supervisionado
No aprendizado não supervisionado, os pontos de dados não têm rótulos associados a eles. Em vez disso, a meta de um algoritmo de aprendizado sem supervisão é organizar os dados de alguma forma ou descrever sua estrutura. O aprendizado não supervisionado divide os dados em grupos, como faz o K-means, ou encontra diferentes maneiras de consultar dados complexos para que eles pareçam mais simples.
Aprendizado de reforço
No aprendizado de reforço, o algoritmo escolhe uma ação em resposta a cada ponto de dados. É uma abordagem comum em robótica, em que o conjunto de leituras do sensor, em um ponto no tempo, é um ponto de dados e o algoritmo deve escolher a próxima ação do robô. Também é um ajuste natural para aplicativos da Internet das Coisas. O algoritmo de aprendizado também recebe um sinal de recompensa pouco tempo depois, indicando se a decisão foi boa. Com base no sinal, o algoritmo modifica sua estratégia para alcançar a recompensa mais alta.